Worst-Case Win Ratios Under Partially Specified Outcome Hierarchies¶

作者: Kexuan Li, Xue Fan, Lingli Yang
主题: 因果推断
相关性: 6/10
链接: https://arxiv.org/abs/2608.29857

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向是临床结局层次分析中的胜率统计（Win Statistics），具体解决当复合终点（composite endpoint）的各个组分在临床重要性上存在差异时，如何合理比较两组治疗效果的问题。其核心思想是：对每个治疗-对照患者对，按预先指定的临床重要性顺序（层次）依次比较各结局，直到分出胜负或平局，然后汇总为胜率比（Win Ratio）或净收益（Net Benefit）。当前该领域已从单一固定层次的方法论，发展到处理层次不确定性、阈值选择、删失数据等更复杂设定。本文聚焦于一个尚未被系统处理的实践问题：当临床团队仅能部分指定结局层次（如只确定最高优先级结局，而低优先级结局的顺序未定），且临床有意义阈值可能是一个范围时，如何对所有允许的比较规则进行统一的、具有临床解释的推断。

发展脉络（history）¶

奠基工作（1999-2012）：Finkelstein & Schoenfeld (1999) 提出了结合死亡率和纵向测量的检验程序，Buyse (2010) 将其推广为广义配对比较（GPC）。Pocock et al. (2012) 引入了胜率比（Win Ratio）作为直接效应度量，并在心血管试验中确立了其应用。这些工作奠定了“按临床优先级顺序比较”的基本框架。
统计推断与扩展（2015-2024）：Luo et al. (2015), Bebu & Lachin (2016), Oakes (2016) 建立了胜率比的方差估计、置信区间和删失处理方法。Mao (2019, 2024) 则深入探讨了胜率比的备择假设和 estimand 定义，指出其内在依赖于比较的时间框架。这一阶段，比较规则（hierarchy + threshold）被视为固定且已知的。
处理层次不确定性的当前前沿（2023-2026）：临床实践中，结局层次的确定常存在争议。为此，出现了多种方法：
- 阈值敏感性分析：Ozenne (2019) 等人在一个检查网格上描述结果如何随阈值变化。
- 交替阈值：Mou et al. (2026) 在单一比较程序中放置多个阈值。
- 旋转胜率统计：Mou et al. (2025) 对具有同等优先级的结局取层次的平均。
- 部分有序数据：Mao (2023) 允许在固定偏序下存在不可比较的响应对。
- 实证观察：Shoji et al. (2025) 和 Ehrenzeller et al. (2026) 分别指出低层级和阈值选择会实质性地影响分析，且层次的临床依据常记录不全。
本文的位置：本文指出，上述方法在临床解释上仍有欠缺。例如，对两个临床合理的层次取平均净收益，可能掩盖其中一个层次实际上支持对照组的事实。因此，本文提出考虑所有临床合理层次和阈值中最小的净收益（θ_min）作为目标 estimand，并为其构造统一的推断方法。这相当于将层次不确定性视为一个部分识别问题**，并采用最坏情况（worst-case）的保守推断。

子线索聚类¶

线索一：固定层次下的推断与扩展。核心是给定一个明确的比较规则（hierarchy + threshold），如何估计胜率比/净收益、构造置信区间、处理删失和复发事件。代表工作：Luo et al. (2015), Bebu & Lachin (2016), Oakes (2016), Mao (2019, 2024)。本文的U-统计量方差估计和联合分布理论（Theorem 1）直接建立在此线索之上。
线索二：处理层次不确定性的方法。核心是当层次或阈值未完全指定时，如何进行分析。代表工作：Ozenne (2019) [网格搜索], Mou et al. (2026) [交替阈值], Mou et al. (2025) [旋转平均], Mao (2023) [部分有序]。本文的最坏情况方法是这条线索上的一个新分支，它不平均、不旋转、不固定，而是取最小值。
线索三：方向可微性与交集推断。本文在证明中引用了Chernozhukov et al. (2013) 和 Fang & Santos (2019) 关于方向可微函数推断的理论，以及 Berger (1982) 的交集-并集检验原理。这构成了本文处理“最小值”这一非光滑目标函数的理论基础。

这个方向在追问的核心问题¶

如何定义部分指定层次下的目标参数（estimand）？ 当层次未完全指定时，应该估计什么？是平均效应、最坏情况效应，还是其他？
如何构造有效的推断（置信区间、假设检验）？ 当目标参数是多个规则下净收益的最小值时，其渐近分布非标准（多个规则同时达到最小值时），如何保证推断的有效性？
如何处理连续阈值范围？ 当阈值是一个区间而非离散点时，如何对无限多个规则进行统一推断？
如何平衡保守性与临床解释性？ 最坏情况方法必然保守，如何在保证“所有规则都有效”这一强临床声明的同时，不使检验过于保守而失去实用价值？

⚠️ 作者的 framing¶

作者的缺口框架：作者将问题框架为“所有临床合理规则中最小的净收益”。这使得他们的工作成为“显然的下一步”：既然临床团队无法就单一规则达成一致，那么一个能保证在所有合理规则下都有效的结论，自然比任何单一规则或平均规则更具临床说服力。
被淡化或回避的竞争路线：
- 旋转胜率统计（Mou et al., 2025）：作者在引言中提及，但指出其“可能仍缺乏临床解释”（例如，平均可能掩盖负效应）。本文的“最小值”方法直接回应了这个问题，但代价是更保守。
- 贝叶斯方法：本文完全未提及。一个贝叶斯方法可以引入对层次合理性的先验，并给出后验概率，这可能是另一种处理不确定性的方式，但作者选择了频率学派的最坏情况框架。
什么明显该被引/该存在、却没出现在intro里？：本文的核心问题是“部分识别”（partial identification）的一个实例：我们无法唯一确定哪个规则是“正确的”，只能识别出一个集合。因此，部分识别和交集推断（intersection bounds）的文献（如 Chernozhukov et al., 2013 本身，以及后续的 Manski, Tamer 等）是高度相关的。虽然作者引用了 Chernozhukov et al. (2013) 用于方向可微性，但并未将其作为部分识别问题的框架来讨论。一个值得研究者去查的问题是：部分识别文献中关于“交集界”（intersection bounds）的推断方法，与本文的 intersection-union 检验在哲学和技术上有什么异同？ 这可能是连接本文与更广泛因果推断文献的桥梁。

张力¶

未见明显对立引用。所有被引工作都在不同维度上推进了胜率统计，彼此之间没有根本性的矛盾。主要的张力在于不同方法对“如何处理层次不确定性”这一问题的哲学选择（平均 vs. 最坏情况 vs. 固定一个），这为研究者提供了选择的空间。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
- X, Y：分别代表一个随机选取的治疗组和对照组患者的结局向量。例如，X = (D_X, H_X, Q_X)，其中 D=死亡状态，H=住院次数，Q=生活质量评分。
- n1, n0：治疗组和对照组的样本量。n = n1 + n0。
- K：结局的总个数。
- π = (π1, ..., πK)：一个层次，指定了比较结局的顺序。例如，π = (死亡, 住院, 生活质量)。
- τ = (τ1, ..., τK)：一个阈值向量，指定了每个结局上被认为有临床意义的差异大小。例如，τ_Q = 0.5 意味着生活质量评分差异需达到0.5才算赢或输。
- r = (π, τ)：一个完整的比较规则，由层次和阈值共同定义。
- R：分析集，即所有被协议或统计分析计划允许的比较规则的集合。可以是有限集（如6个规则），也可以是连续集（如阈值在[5,15]内连续变化）。
- hr(x, y)：在规则 r 下，比较一对治疗-对照患者 (x, y) 的得分函数。输出为 1（治疗赢）、-1（治疗输）、0（平局）。
- pW(r), pL(r)：在规则 r 下，随机一对治疗-对照患者中，治疗赢或输的概率。
- θr = pW(r) - pL(r)：在规则 r 下的净收益（Net Benefit）。这是本文的核心参数之一。
- θ_min = inf_{r∈R} θr：目标 estimand，即所有允许规则中最小的净收益。这是本文要推断的最终参数。
- bθr：θr 的样本估计，即所有 n1*n0 个配对得分的平均值，是一个两样本U-统计量。
- bθ_min = inf_{r∈R} bθr：θ_min 的样本估计。
- L_{1-α}：θ_min 的单侧（1-α）下置信界。
模型：
- 数据生成机制：一个两臂随机对照试验。治疗组和对照组是独立同分布的样本，分别来自两个总体分布 P_treat 和 P_ctrl。每个患者的结局向量 (D, H, Q) 由治疗分配和潜在的协变量（如疾病严重程度）共同决定。本文不假设具体的参数模型，而是采用非参数设定，仅依赖随机化来保证组间可比性。
- 比较规则：比较规则 r 是预先指定的，在查看治疗分配结果之前就已确定。这是保证推断有效性的关键。
- 目标参数：θ_min 是一个总体参数，它完全由 P_treat、P_ctrl 和 R 定义。它的不确定性（变异性）仅来自抽样，而非来自规则选择。
可观测数据：
- 可观测：我们能观测到治疗组 {X_i}_{i=1}^{n1} 和对照组 {Y_j}_{j=1}^{n0} 的完整结局向量。例如，对于每个患者，我们知道他/她是否死亡、住院几次、生活质量评分多少。
- 不可观测/潜在：我们无法直接观测到 θ_min 本身，也无法直接知道哪个规则 r 会达到这个最小值。我们只能通过样本估计 bθr 并取最小值来推断。此外，我们无法观测到如果患者被分配到另一组会有什么结局（反事实），但随机化保证了组间可比性，使得 θr 的估计是有效的。

第二步：讲最小内核¶

本文的核心思路可以用一个最简特例来理解：两个结局（死亡 D，住院 H），死亡总是第一优先级，住院的阈值固定。临床团队对住院是否应该先于另一个结局（比如生活质量 Q）有争议，但这里我们简化，只考虑两个层次：π1 = (D, H) 和 π2 = (D, Q)。为了更简单，我们假设 Q 的阈值固定，且 Q 是唯一有争议的结局。那么分析集 R 就只包含两个规则：r1 = (π1, τ) 和 r2 = (π2, τ)。

核心问题：我们想知道，治疗是否在所有允许的规则下都优于对照？即，θ_min = min(θ_{r1}, θ_{r2}) > 0 是否成立？
核心思路：
1. 分别估计：对每个规则 r，计算其净收益 bθr。这是一个标准的U-统计量计算。
2. 联合推断：由于两个规则使用了同一批患者，bθ_{r1} 和 bθ_{r2} 是相关的。我们需要估计它们的联合协方差矩阵 Σ。本文的 Theorem 1 给出了这个联合渐近正态分布。
3. 构造最坏情况检验：我们想检验 H0: θ_min ≤ 0 vs H1: θ_min > 0。这等价于检验“至少有一个规则的净收益 ≤ 0” vs “所有规则的净收益 > 0”。
  - 这是标准的交集-并集检验（Intersection-Union Test, IUT） 问题。其原理是：要拒绝 H0，我们必须同时拒绝所有单个规则的零假设（即每个 θr ≤ 0 都被拒绝）。
  - 因此，我们为每个规则计算一个单侧检验的 p 值 pr（例如，检验 H0r: θr ≤ 0 vs H1r: θr > 0）。
  - 整个检验的 p 值是 p_IUT = max(p_{r1}, p_{r2})。只有当所有单个 p 值都小于显著性水平 α 时，我们才能拒绝全局零假设。
4. 构造置信界：通过反演这个 IUT 检验，我们可以得到 θ_min 的单侧下置信界 L_{1-α}。具体地，L_{1-α} = min( bθ_{r1} - z_{1-α} * se(bθ_{r1}), bθ_{r2} - z_{1-α} * se(bθ_{r2}) )。这个界是有效的，因为如果 θ_min 的真值小于 L_{1-α}，那么至少有一个规则的 θr 会小于其自身的下界，而该事件发生的概率被控制在 α 以内。
为什么这个例子是“最小内核”：
- 它去掉了所有为一般性服务的复杂假设（如连续阈值、多个层次）。
- 它清晰地展示了本文的核心数学困难：目标参数是多个相关U-统计量的最小值，这导致其渐近分布非标准（当两个规则同时达到最小值时，极限分布是两个相关正态变量的最小值）。
- 它展示了本文的核心技术技巧：使用 IUT 来避免处理这个非标准分布。通过构造一个基于所有单个规则下界的保守置信界，我们绕开了直接估计 θ_min 的复杂分布，同时保证了推断的有效性。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：当临床结局层次（hierarchy）和/或阈值（threshold）部分未指定时，如何对所有允许的比较规则进行统一的、具有临床解释的推断，以保证治疗效果的结论在所有规则下都成立。
核心工具/方法：将目标 estimand 定义为所有规则下净收益的最小值（θ_min），利用两样本U-统计量理论估计每个规则的净收益及其联合协方差，并通过反演一个交集-并集检验（IUT）来构造 θ_min 的单侧下置信界。
主要结论：提出了一个通用的推断框架，覆盖有限规则列表和连续阈值范围两种情况。证明了该框架下置信界的渐近有效性（Theorem 4），并通过模拟和实例展示了其与单一规则分析的差异，以及识别最不利规则的能力。

关键设定与假设¶

设定：
- 两臂随机试验：治疗组和对照组独立同分布。
- 完全数据：假设在预定随访时间内，所有患者的结局都被完整观测，无删失。这是本文的一个关键简化。作者在讨论中提及了删失是一个开放问题。
- 预先指定的分析集 R：所有允许的比较规则（层次和阈值）必须在查看治疗分配结果前确定。这是保证推断有效性的基石。
假设：
- Theorem 1 (有限规则集)：n1/n → λ ∈ (0,1)，R 有限。这是标准的U-统计量联合CLT条件，由于得分函数 hr 有界（取值于{-1,0,1}），矩条件自动满足。
- Theorem 3 (连续阈值集)：R 是紧集，θr 在 r 上连续，且得分函数类 H 是可测有界VC类，且两样本U-过程渐近等度连续。这些是经验过程理论的标准条件，用于保证 bθr 在 r 上的一致收敛性。作者指出，由于 hr 由指标函数、有限和、乘积构成，这些条件在阈值变化时通常成立（Arcones & Giné, 1993; Van Der Vaart & Wellner, 1996）。
- Theorem 4 (置信界有效性)：在 Theorem 1 或 Theorem 3 的条件下，且标准误估计量一致且为正。这保证了 IUT 检验和反演出的置信界是渐近有效的。

主要结果¶

Theorem 1 (联合大样本分布)：对于有限个规则，所有规则的净收益估计量 bθ 联合渐近服从多元正态分布，协方差矩阵可由U-统计量的投影（Hájek 投影）一致估计。这个结果是后续所有推断的基础。
Theorem 2 (最小净收益的极限)：bθ_min 的渐近分布是 min_{r∈R_min} G_r，其中 G 是 Theorem 1 中的高斯过程，R_min 是达到真值 θ_min 的规则集合。关键点：当只有一个规则达到最小值时，极限是正态分布；当有多个规则同时达到最小值时，极限是多个相关正态变量的最小值，非标准。这解释了为什么不能直接对 bθ_min 使用正态近似。
Theorem 3 (连续阈值集)：将 Theorem 1 和 2 推广到连续阈值范围。bθr 作为一个随机过程在 r 上弱收敛到一个高斯过程。bθ_min 的极限是 inf_{r∈R_min} G(r)，同样是非标准的。
Theorem 4 (置信界的有效性)：核心结果。证明了基于 IUT 构造的单侧下置信界 L_{1-α} 是渐近有效的，即 liminf P(θ_min ≥ L_{1-α}) ≥ 1-α。这意味着，即使 bθ_min 的分布非标准，我们仍然可以构造一个保守但有效的置信区间。当 θ_min = 0 且只有一个规则在边界上时，检验的拒绝概率趋近于 α（不保守）；当多个规则在边界上时，检验会变得保守。

证明路线与技术技巧¶

整体路线：
1. Hoeffding 分解：对每个规则的U-统计量 bθr 进行 Hoeffding 分解，将其表示为线性主部（treatment 和 control 的投影之和）加上一个可忽略的退化U-统计量余项。这是U-统计量渐近理论的经典第一步。
2. 联合CLT：对有限个规则，将线性主部向量应用多元中心极限定理，得到联合渐近正态分布（Theorem 1）。对连续阈值集，将线性主部视为一个经验过程，应用经验过程中心极限定理，得到弱收敛到高斯过程（Theorem 3）。
3. 方向可微的Delta方法：目标函数 ϕ(θ) = min_r θr 是方向可微的，但不是全可微。作者应用了方向可微函数的Delta方法（Fang & Santos, 2019），从 bθ 的渐近分布推导出 bθ_min 的渐近分布（Theorem 2 和 3 的第二部分）。
4. IUT 构造置信界：不直接使用 bθ_min 的非标准分布，而是利用 IUT 原理。证明的关键在于，对于任意一个达到 θ_min 的规则 r0，L_{1-α} ≤ bθ_{r0} - z_{1-α} * se(bθ_{r0})。因此，θ_min 被 L_{1-α} 覆盖的概率，至少等于 θ_{r0} 被其自身单侧置信区间覆盖的概率，后者趋近于 1-α。这绕开了对 bθ_min 分布的精确估计。
关键跳跃点：
- 处理多个最小值：当多个规则同时达到 θ_min 时，bθ_min 的渐近分布是多个相关正态变量的最小值，这无法用标准正态分位数来构造置信区间。作者通过 IUT 巧妙地跳过了这个困难，代价是可能保守。
- 连续阈值下的U-过程：将 bθr 视为 r 上的随机过程，并证明其弱收敛，需要处理无限多个规则。作者依赖于经验过程理论，假设得分函数类是Donsker类，并利用其VC性质来保证等度连续性。
技术技巧点名：
- 两样本U-统计量：核心估计量。
- Hoeffding 分解：将U-统计量分解为独立和加可忽略余项。
- 经验过程理论：用于处理连续阈值集，证明 bθr 作为过程的弱收敛。
- 方向可微的Delta方法：处理 min 函数这个非光滑变换。
- 交集-并集检验（IUT）：核心推断策略，用于构造保守但有效的置信界。

真实例子与应用¶

模拟研究：
- 数据：生成三个结局（死亡、住院、生活质量），设定6个比较规则（2种层次 × 3个阈值）。
- 方法应用：计算每个规则下的净收益，然后应用本文提出的 IUT 方法得到 θ_min 的下置信界和检验 p 值。同时，与仅使用一个选定规则（D-H-Q, τ=0.75）的分析进行对比。
- 结果：
  - 覆盖率和检验水平：θ_min 的下置信界覆盖率在 0.974 到 0.994 之间，接近或高于名义水平 0.975。在全局零假设下，IUT 检验的拒绝概率（0.008, 0.006）低于名义水平 0.025，体现了保守性。
  - 区分能力：在“不同层次符号相反”的场景下，选定规则分析有 19.7%-37.4% 的概率拒绝（错误地声称有效），而本文的 IUT 检验的拒绝概率几乎为 0，正确识别了并非所有规则都有效。
  - 连续阈值例子：展示了一个稀疏网格（3个点）可能遗漏区间内最不利的阈值，而本文的区间方法能正确识别。
- 说明的问题：验证了方法的有效性（覆盖率和水平控制），并生动地展示了“一个规则有效”与“所有规则都有效”之间的巨大差距，这正是本文方法的核心价值。
ACTG 175 实例：
- 数据：比较齐多夫定加拉米夫定 vs 齐多夫定单药治疗。使用 CD4 和 CD8 细胞计数变化作为两个实验室结局。
- 方法应用：设定 6 个规则（2种层次 × 3个阈值），计算每个规则的净收益和 win ratio。
- 结果：当 CD4 优先时，所有结果都支持联合治疗（净收益为正，下置信界为正）。当 CD8 优先时，所有结果都支持单药治疗（净收益为负）。因此，θ_min 为负，其下置信界也为负，IUT 检验 p 值为 0.863，无法声称在所有规则下治疗都有效。
- 说明的问题：清晰地展示了结局排序如何根本性地改变结论。本文的方法提供了一个诚实的、保守的评估，避免了仅报告一个有利排序而可能产生的误导。

🔎 结论是否比证明窄¶

是。论文的核心结论（Theorem 4） 在理论上被证明是渐近有效的，但模拟和讨论都承认它在某些情况下是保守的（当多个规则同时达到最小值时）。作者在讨论中明确指出了这一点：“It can be conservative when several individual effects are equal or nearly equal...”。因此，结论的“有效性”是保守的有效性，而非精确的有效性。
另一个窄化：论文的所有理论结果都建立在无删失的完全数据假设上。作者在讨论中将其列为开放问题。因此，论文的结论不能直接推广到存在删失的常见临床试验场景。这是一个重要的限制，因为胜率比方法的一个主要优势就是处理删失数据。
连续阈值下的条件：Theorem 3 依赖于“得分函数类是Donsker类”等经验过程条件。作者声称这些条件在“阈值比较类是VC类”时成立，但并未给出一个通用的、可验证的充分条件。对于更复杂的、非指标函数的比较规则，这些条件可能不成立，从而限制了 Theorem 3 的适用范围。

四、开放问题（点到为止，扎根具体语句）¶

删失数据下的扩展：本文所有理论基于完全数据。如何将最坏情况胜率比推断扩展到存在右删失的常见临床试验场景？这需要处理删失对U-统计量方差估计和联合分布的影响。扎根于：Discussion 部分，“Extensions for censored and recurrent events are left for future work.” (原文未直接出现此句，但基于其引用文献如 Luo et al., 2015; Bebu and Lachin, 2016 可知，删失是胜率比文献的核心问题，而本文未处理)。
效率界与最优推断：本文的 IUT 方法被证明是保守的。是否存在一个半参数有效的推断方法，能够达到 θ_min 的渐近效率界？这需要推导 θ_min 的有效影响函数（Efficient Influence Function），并可能涉及更复杂的推断程序（如基于 bootstrap 的校正）。扎根于：Theorem 4 的证明和模拟结果中显示的保守性。这是一个自然的理论延伸。
连续阈值下的计算问题：当有多个连续阈值时，如何高效计算 L_{1-α} = inf_{r∈R} { bθr - z_{1-α} * se(bθr) }？作者提到“computation may become demanding”。是否存在一个算法（如基于分片常数性质的扫描算法）来精确或近似地找到这个下确界？扎根于：Section 3.3 末尾，“With several continuous thresholds, the same idea applies but computation may become demanding.”
与其他方法的比较：本文的“最坏情况”方法与 Mou et al. (2025) 的“旋转平均”方法在哲学上是对立的。在什么条件下，一种方法优于另一种？是否存在一个统一的框架（如基于决策理论的 minimax 或 Bayes 准则）来指导方法选择？扎根于：Introduction 中对 Mou et al. (2025) 的批评（“net benefits of 0.08 and -0.02 under two clinically reasonable hierarchies have a positive average, although one hierarchy favors control”）。这是一个值得深入探讨的方法论张力。

Maintained by 陈星宇 · Homepage · Source on GitHub